Abnormality Detection in Maize Fields Using Selective Domain Adaptation-Driven Data Augmentation

doi:10.1007/978-3-032-14492-8_20

2026-01-01

PRE

Aminul Huq

Dimitris Zermas

G. Bebis *

DOI：10.1007/978-3-032-14492-8_20

原文链接

原文求助

摘要

En 中文

在农业中，对植物异常的准确及时识别至关重要，因为延误会严重降低作物的健康和产量。自动化这一任务具有显著的环境和经济效益潜力。本研究探讨了利用无人机（UAVs）采集的高分辨率RGB图像对玉米田中的异常进行检测和量化。许多现有方法的局限性在于它们依赖相对较小的数据集，并且这些数据集也被调整为特定田地的特征。因此，在一个田地训练的模型在另一个田地的数据上表现不佳，这是由于领域漂移。虽然数据增强和合成图像生成已被用于增加数据集大小和多样性，但这些技术往往无法提供稳健农业应用所需的数据变异性和保真度。另一种策略是合并多个田地的数据；然而，这种方法在未先对数据进行标准化以消除无关变化（如光照条件、传感器特性和土壤类型）之前是无效的。为解决此挑战，我们提出了一种通过无监督领域自适应（UDA）将数据映射到共享领域来标准化多田地数据的框架。为进一步提高质量，我们引入了一种选择性UDA策略，用于过滤掉易产生伪影的适应不良图像。在训练过程中，在不同条件下采集的图像被聚合到该共享领域，丰富了训练集，使其包含真实领域适应的数据，而不仅仅依赖合成增强。对于检测和量化，我们利用视觉Transformer（ViTs），同时使用CycleGAN的集成进行领域自适应。我们在一个公开可用的数据集上验证了我们的框架，该数据集包含来自两个不同环境条件田地的、基于UAV的高分辨率RGB图像，涵盖健康和异常玉米植物的多生长阶段。

Keyword:

Deep Learning

Maize Plants

Abnormality Detection

期刊

ADVANCES IN VISUAL COMPUTING, ISVC 2025, PT I

IF:

论文数:

被引数:

机构

nevada system of higher education (nshe)

学者数:

1.4W

论文数: 1.3W

被引数: 30

university of nevada reno

学者数:

4.4K

论文数: 3.5K

被引数: 12

引用论文

Building an Aerial-Ground Robotics System for Precision Farming An Adaptable Solution

IEEE ROBOTICS & AUTOMATION MAGAZINE

IF7.1

2021-09-01

OAAI

Pretto, Alberto; Aravecchia, Stephanie; Burgard, Wolfram; Chebrolu, Nived; Dornhege, Christian; Falck, Tillmann; Fleckenstein, Freya; Fontenla, Alessandra; Imperoli, Marco; Khanna, Raghav; Liebisch, Frank; Lottes, Philipp; Milioto, Andres; Nardi, Daniele; Nardi, Sandro; Pfeifer, Johannes; Popovic, Marija; Potena, Ciro; Pradalier, Cedric; Rothacker-Feder, Elisa; Sa, Inkyu; Schaefer, Alexander; Siegwart, Roland; Stachniss, Cyrill; Walter, Achim; Winterhalter, Wera; Wu, Xiaolong; Nieto, Juan

Joint Stem Detection and Crop-Weed Classification for Plant-Specific Treatment in Precision Farming

2018 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)

IF0

2018-10-01